Business case AI: perché in Italia vanno rifatti con i nostri salari

Il token costa uguale, il lavoro no

Il 14 ottobre 2026 QuantumBlack, la unit di McKinsey dedicata all'intelligenza artificiale, ha pubblicato lo studio The AI value curve. Confronta, compito per compito, il costo pieno del lavoro umano (salario lordo più contributi a carico dell'azienda) con il costo pieno dello stesso compito svolto con l'AI, a parità di qualità. L'opportunità globale stimata è di 2.520 miliardi di dollari l'anno, di cui 960 negli Stati Uniti.

Per una PMI italiana il dato rilevante è un altro. Il costo dell'AI è più o meno uguale in tutti i mercati, perché i modelli si pagano a listino. Il costo del lavoro cambia molto. Secondo l'OCSE, nel 2024 il salario medio annuo a parità di potere d'acquisto era di circa 51mila dollari in Italia e circa 83mila negli Stati Uniti. Ai tassi di cambio di mercato, che sono quelli con cui si pagano licenze e token, la distanza cresce: le statistiche UNECE indicano una retribuzione lorda mensile media di circa 2.990 dollari in Italia contro 6.910.

In pratica un'ora di lavoro italiana costa meno della metà di una americana, mentre l'AI costa uguale. Lo stesso caso d'uso può quindi superare la soglia di convenienza in un paese e mancarla in un altro. Gli autori citano le attività commerciali e di supporto amministrativo: convenienti con i costi americani, non ancora dove i salari sono più bassi.

Ne segue che un business case costruito su benchmark americani, o sui casi studio dei fornitori (quasi sempre statunitensi), tende a sovrastimare il ritorno in Italia. Secondo l'ISTAT, nel 2025 il 16,4% delle imprese con almeno dieci addetti usava almeno una tecnologia di AI. La scarsa diffusione si attribuisce di solito a competenze e cultura. La curva suggerisce che possa pesare anche una componente economica, che però nessuno ha ancora misurato con precisione.

Il costo che i preventivi dimenticano: la revisione

Nel costo dell'AI gli autori includono i token e anche il tempo delle persone che rivedono e correggono l'output. È una voce che manca in molti business case. Chi calcola il risparmio solo come ore di lavoro tolte, senza le ore di controllo aggiunte, ottiene un numero più bello del reale.

C'è poi il tema della qualità. Il calcolo assume una qualità accettabile definita con gli stessi criteri che si applicherebbero a un lavoro umano; per una sintesi clinica, l'esempio è dello studio, questo include soglie di sicurezza e regolatorie. Stabilire quella soglia e verificarla è una decisione di governance, e nei ruoli ben pagati costa di più, perché a controllare è spesso il professionista di cui si voleva liberare il tempo.

Un articolo di McKinsey Quarterly dà una regola semplice per i singoli agenti: creano valore quando la probabilità di successo supera il rapporto tra il tempo per verificarne il lavoro e il tempo che servirebbe a una persona per farlo direttamente. Se controllare costa quasi quanto fare, l'automazione non rende.

Il Regolamento europeo sull'AI rende il costo della supervisione esplicito per i sistemi ad alto rischio dell'Allegato III, come selezione del personale e valutazione del merito creditizio. Il Digital Omnibus ha spostato i relativi obblighi al 2 dicembre 2027. Anche la governance è un punto debole: secondo il Politecnico di Milano il 71% delle grandi imprese ha almeno un progetto AI attivo, ma solo il 9% ha una governance strutturata.

Se i prezzi salgono, il margine italiano si assottiglia

I piani di adozione considerano di solito il costo dell'AI in una sola direzione, quella della discesa. Lo studio mostra cosa succede se non è così: con un aumento del 30% del costo effettivo, il valore potenziale globale passa da 2.520 a 1.670 miliardi, un calo del 34%. Gli autori ricordano che la spesa aziendale in modelli linguistici, secondo una loro stima, è triplicata nei dodici mesi chiusi a fine 2025. L'uso cresce più in fretta di quanto scendano i prezzi unitari, e chip ed energia potrebbero invertire il trend.

In Italia la sensibilità è maggiore per una ragione aritmetica: se il margine orario tra lavoro umano e AI è più sottile, lo stesso rincaro porta in territorio negativo una quota più ampia di casi d'uso. Lo studio resta una mappa direzionale e lascia fuori gli investimenti una tantum (infrastruttura, piattaforme, formazione) e i vincoli normativi e contrattuali, che per un'azienda italiana pesano più che per una americana.

Cosa fare adesso

Non serve un modello sofisticato. Serve rifare i conti dei progetti avviati o in valutazione con dati propri.

• Calcola il costo orario pieno del compito che vuoi automatizzare, con salario lordo e contributi, usando i tuoi numeri e non quelli di un caso studio estero.
• Aggiungi il tempo di revisione. Fai provare il processo su un piccolo campione e misura quanto ci mette una persona a controllare e correggere.
• Decidi chi fissa la soglia di qualità accettabile e chi la verifica. Se il processo rientra nell'Allegato III dell'AI Act, considera da subito la supervisione umana documentata.
• Misura il valore, non l'uso: utenti e token consumati dicono quanto l'AI viene usata, non quanto rende.
• Fai uno stress test: rifai il calcolo con un costo dell'AI più alto del 30% e guarda quali casi restano in positivo.
• Inserisci i costi una tantum, come formazione, piattaforme e cambiamento organizzativo, e i vincoli contrattuali che riguardano le persone coinvolte.
• Preferisci flussi ibridi che permettano di spostare il lavoro tra persone e AI se i costi cambiano, e tutela il prezzo per contratto dove possibile.

I progetti con margine sottile non vanno scartati a priori. Vanno trattati come test con una soglia di convenienza dichiarata, da rivedere quando cambiano prezzi o volumi. Flowline imposta le sue valutazioni con la stessa logica: prima il confronto tra costo pieno del lavoro e costo pieno dell'automazione, poi la scelta degli strumenti.